利用ArcGIS对长江三角洲地区的gdp水平进行聚类

1、导入矢量图、数据

在这里插入图片描述
长三角地区矢量图
长三角地区矢量图对应数据

2、连接

在这里插入图片描述

3、设置属性将人均gdp数据导入

在这里插入图片描述

4、设置标注和图例

在这里插入图片描述

选择布局视图

5、聚类

在这里插入图片描述

2020年人均gdp地区聚类

6、2005~2020年各地区人均gdp可视化及聚类汇总

（1）2005~2020可视化

2005

在这里插入图片描述

2010

2015

在这里插入图片描述

2020

在这里插入图片描述

（2）根据K-means轮廓系数确定聚类簇数

在这里插入图片描述

2015 2010 2015 2020 分别对应的最佳聚类簇数为 2 4 7 5
可以根据这个结果进行分组分析
代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

# 读取CSV文件
file_path = 'datadata.csv'
data = pd.read_csv(file_path, encoding="GB2312")

# 查看数据
print(data.head())

# 初始化一个字典来存储各年的轮廓系数
silhouette_scores_dict = {}

# 对每一年的GDP数据进行聚类
years = ['2020', '2015', '2010', '2005']

for year in years:
    gdp_data = data[[year]]

    # 确定最佳K值
    silhouette_scores = []
    K = range(2, 11)  # 假设我们考虑2到10个聚类簇

    for k in K:
        kmeans = KMeans(n_clusters=k, random_state=42)
        labels = kmeans.fit_predict(gdp_data)
        score = silhouette_score(gdp_data, labels)
        silhouette_scores.append(score)

    # 保存轮廓系数
    silhouette_scores_dict[year] = silhouette_scores

    # 绘制轮廓系数图
    plt.figure(figsize=(8, 4))
    plt.plot(K, silhouette_scores, marker='o')
    plt.xlabel('Number of clusters, K')
    plt.ylabel('Silhouette Score')
    plt.title(f'Silhouette Score for K-means Clustering ({year})')
    plt.savefig(f'silhouette_score_{year}.png')  # 保存图片
    plt.show()

    # 找出最佳K值
    best_k = K[silhouette_scores.index(max(silhouette_scores))]
    print(f'{year} 年最佳聚类簇数: {best_k}')

    # 使用最佳K值进行K-means聚类
    kmeans = KMeans(n_clusters=best_k, random_state=42)
    labels = kmeans.fit_predict(gdp_data)

    # 将聚类结果添加到原始数据中
    data[f'Cluster_{year}'] = labels

    # 打印聚类结果
    print(f'{year} 年聚类结果:')
    print(data[[year, f'Cluster_{year}']].head())

# 查看聚类结果
print(data.head())

# 保存聚类结果到CSV文件
data.to_csv('clustered_gdp_data.csv', index=False)